Opnåelse af datamodning: en organisatorisk afbalanceringshandling

Af Techopedia Staff, 8. november 2017

Takeaway: Værten Eric Kavanagh diskuterer modenhed og organisatorisk modenhed med Jen Underwood fra Impact Analytix og Ron Huizenga fra IDERA.

Du er ikke logget ind. Log ind eller tilmeld dig for at se videoen.

Eric Kavanagh: Okay, mine damer og herrer. Hej og velkommen igen. Det er onsdag klokken 4 østlig, hvilket betyder, at det er tid for Hot Technologies. Ja bestemt. Jeg hedder Eric Kavanagh; Jeg vil være din vært for vores show i dag, som virkelig er defineret, designet til at definere visse former for teknologi i visse tilstande i datahåndteringens verden. Og vores emne i dag er "Opnåelse af datamodning: En organisationsbalancelov." Så der er stedet om dit, virkelig, slå mig op på Twitter, @eric_kavanagh. Jeg gentweet altid, hvis du nævner mig, og jeg vil også prøve at følge tilbage. Det er et godt sted at gå for at få information om, hvad der foregår i verden. Jeg elsker det format. Korte tegn, 140 tegn - eller mere i disse dage. Så send mig en tweet, så følger jeg tilbage.

Dette år er selvfølgelig varmt. Vi taler alt om datamodning i dag, og her er lineup, med din virkelig i toppen. Vi har en ny analytiker i dag; Jeg er meget spændt over at have Jen Underwood fra Impact Analytix. Hun er ret ekspert inden for forretningsinformation og analyse og datavisualisering og alle disse gode emner. Og selvfølgelig datamodning. Og vores gode ven Ron Huizenga ringer til fra IDERA. Så først hører vi fra Jen og derefter fra Ron. Og så har vi en dejlig rundbordssamtale.

Når jeg skubber denne næste glide op her, vil jeg bare sige et par hurtige ord. Forvaltning af datahåndtering har været et emne i et stykke tid. Naturligvis i historien er du nødt til at komme til et bestemt punkt, før du begynder at tænke på modenhed, og der er udviklet en masse modenhedscykler - eller cykler - for at prøve at finde ud af, hvor du er i kurven. Er du i en tidlig fase? Er du en teenager? Er du moden? Etcetera.

Og jeg tror, ​​at en masse organisationer er enten i teenagerårene eller i slutningen af ​​teenagere eller tidlige tyverne med hensyn til modenhed. Og det siger ikke noget nedslående. Det er bare det, at vi stadig er slags i de tidlige dage af at være i stand til at administrere data som et strategisk aktiv. Og tingene har ændret sig hurtigt. Især i de sidste fem til syv år, da vi slags er flyttet fra små data til big data, og de prøver at forene disse temmelig forskellige verdener og nye teknologier med gamle teknologier. Så arven er derude, det er overalt.

En af de vittigheder, jeg har hørt for mange år siden, er, at arv er et system, der er i produktion. I det øjeblik et system går i produktion, teknisk set er det arv. Og det er sandt. Men det betyder, at vi har alle disse systemer, der har eksisteret i lang tid, og vi er nødt til at finde en måde at forstå, hvor vi er i vores egen modenhedskurve for at være i stand til at maksimere og optimere værdien af ​​data som et aktiv . Og selvfølgelig er der nogle overholdelsesproblemer, nogle regler, vi er nødt til at bekymre os om, afhængigt af hvilken branche vi er i. Og så er vi selvfølgelig også nødt til at bekymre dig om hacking. I fortiden har vi talt om datastyring, og hvordan det virkelig er en del af pakken med sikkerhed og bare forstå roller og ansvar ved at bruge data og sikre, at vi får den bedste værdi ud af det.

Og så med det, overleverer jeg nøglerne til Jen Underwood, og hun kan fortælle os sit perspektiv på datamodning. Jen, tag det væk.

Jen Underwood: Tak, Eric, og tak for at invitere mig. Så i dag skal jeg dække et par forskellige emner, og så vil jeg introducere Ron med IDERA, og han kommer til at grave dybere ned i nogle andre områder af netop dette emne. Jeg vil sige, at det er en kritisk rolle i den digitale æra eller den digitale transformation, som vi er i lige nu, og som Eric havde sagt, er det en udviklingstid. Nogle sjove statistikker fra EDM-rådet, der var en benchmark-rapport for databehandlingsindustrien. Den er næsten to år gammel, men den er stadig ret relevant og vil afsløre nogle af, du ved, faktoider i sig selv om at være en teenager i dette rum. Jeg vil tale lidt om datamodning og søjlerne med regeringsførelse i sig selv.

På dette tema i den digitale æra eller digital transformation, som du hører overalt, sker dette virkelig lige nu. Et af de interessante fakta, som jeg har samlet, da jeg har fulgt branchen hver dag, var et punkt fra Gartner i deres top ti strategiske teknologitendenser. Og de havde sagt i 2020 - så vi er kun få år væk fra det - information vil blive brugt til at opfinde, digitalisere og automatisere eller eliminere 80 procent af de processer, vi har fra et årti tidligere.

Og jeg har set dette i et stykke tid, jeg tror, ​​at du her ser forskellige typer folk, der siger, du ved, "Data er den nye olie", og de slags ting. Jeg kan godt lide at sige, at data nu er digitalt guld. Og hvis du tænker på softwareapplikationer og softwareinddragelse, var jeg en verdensomspændende produktchef for Microsoft i fortiden, og endda ændringen i min karriere fra, du ved, ville vi virkelig fokusere på software til nu er vi fokuseret på brugere og at indsamle dataene og tænke på at tjene penge på dataene.

Vi er på vej ind i denne æra, hvor data er digitalt guld, og du begynder at se, at med fremkomsten af ​​det, der kaldes Chief Data Officer, og de er, har de, du ved, to primære missioner - og bestemt et par andre - at sikre, at dataene er sikre og sikre, og også finde måder at maksimere værdien af ​​data internt - og endda eksternt - som det digitale aktiv. Så disse typer ting, der måske ikke har været eller måske ikke har virket vigtige for din organisation i fortiden, data får endelig plads ved C-niveau bordet med CDO og vil blive taget meget mere alvorligt fremover.

Hvis du tænker på datastyring og modenhed, er der to forskellige temaer, som jeg har på dette særlige dias her, hvor det første er, du ved, selve datastyring. Det handler mere om forretningsfunktionerne, der udvikler og skaber data og dataflow, nogle af politikkerne og den praksis der. Og når du tænker på datastyringens modenhed, er det en organisations evne til nøjagtigt at definere, let integrere, du ved, udnytte de data, de har igen til interne eller eksterne formål, såsom datapengeindtægter. Og et af de store temaer - og det har været sjovt, tidligere i min karriere, og jeg udnyttede faktisk nogle af IDERAs værktøjer og dataarkitekturprojekter - var hele metadatakonceptet, og vi tænker fortsat på metadata, og så blev det ikke tale om i lang, lang tid. Endelig ser jeg, metadata er cool igen. Det er virkelig meget vigtigt at interagere med forskellige grupper, forstå hvor dine data er, hvad dataene er. Især i ting som en datasø. Endelig bliver det endelig interessant.

Nu lovede jeg, at jeg havde nogle statistikker her fra en benchmarkrapport. Denne var fra 2015 for EDM-Rådet. Det handler om at modernisere datakvalitet og regeringsførelse, og der er et par sjove factoider i netop denne. Så her inde har mere end 33 procent af organisationerne et aktivt, formelt datastyringsprogram på et eller andet niveau i organisationen - kun 33. Så det er meget interessant i sig selv. Af de 50 procent, der har, virkelig har formaliseret, vi vil administrere data, vi er klar over, at dette er et virkelig vigtigt aktiv i vores organisation, ligesom mennesker har menneskelige ressourcer. Kun 50 procent af dem havde programmer, der var ældre end et år. Så dette er igen et voksende område, det er virkelig ret interessant, hvad vi er blevet mere og mere vigtige, især med ting som nogle af de industrielle regler, der kommer ud.

Så på det punkt, mange gange - og det er interessant at have været i teknisk salg og roller gennem min karriere - var det ikke rigtig, ”Åh, vi kan spare penge, der ville motivere en organisation” - det er normalt frygt. Det er mere om, ”Åh min herre, vi er nødt til at sikre os, at vi er dækkede. Vi ønsker ikke at miste vores job. ”Og bestemt ting som hacking og datarisiko og lækning af data, der er virkelig interessante benchmarkundersøgelser om dette. Verizon gør en hvert år, og det er sandsynligvis en af ​​mine foretrukne at gennemgå. Hvad du næsten altid ser er en utilsigtet, det er ikke nødvendigvis, du ved, forsætlig misbrug af dataene eller forkert håndtering af de data, der resulterer i en lækage. Og ofte - de har ikke denne statistik til netop denne session - men det er fascinerende, at disse utilsigtede lækager af forkert forvaltning af tilladelser og lignende. Du ved, for at gøre tingene lidt lettere går disse lækager ud på lån. Og normalt til folk, der er sidebesked eller eksterne for din organisation, og det er ikke det, du ønsker.

Så det er de typer ting, når du tænker på at have et datahåndteringssikkerheds- og styringsprogram. Du ved det, ikke kun dårlige beslutninger og spare penge, men også sørge for, at du ved, at du er sikker, du overholder lovgivningen om privatlivets fred og sikkerhed. Du er i stand til at tjene penge på data i denne digitale æra, og selvfølgelig, ved du, du vil gøre tingene effektivt og genbruge data og have den velsignede kopi og have - jeg hader, når folk siger, og jeg er i analyse og jeg Jeg har været i analytics i lang tid, en version af sandheden. Der er normalt, du ved, der er normalt flere versioner af sandheden, lige fra forskellige perspektiver. Men i det væsentlige ønsker du, at dataene skal være pålidelige, som du baserer beslutninger på.

En af de største drivere, som jeg ser - og det er en god ting, det er en god ting, at det bliver cool igen - er hele konceptet med Den Europæiske Unions GDPR. Og lad mig tale lidt om det. Så hvis du ikke kender GDPR, vil du høre en masse om det i det kommende år. Det er ny lovgivning, der finder sted i maj. Det vil blive håndhævet i maj 2018, og det har nogle store sanktioner for forkert håndtering af oplysninger. Du har muligvis hørt dette omtalt i andre former - måske ikke ved at bruge udtrykket GDPR - du har muligvis hørt eller set dette skrevet om retten til at blive glemt, hvilket betyder, at du kan række ud og bede leverandører om at fjerne dine data. Igen, tidligere dataarkitekter, ville de ikke fjerne data. Vi ville ændre det, vi ville gøre det inaktivt i datalagringsscenarier. Vi har aldrig rigtig slettet vores data. Vi havde ikke processer til det. Så det er, ved du, ting, der berører ethvert aspekt af din organisation og forskellige måder og processer, som du måske aldrig har overvejet i opbygningen af ​​din applikation eller datavarehus. Så hvis du ser ting om GDPR at tænke på, har du ret brug for et retsgrundlag for at retfærdiggøre indsamling og behandling af personoplysninger.

Så dette er for det meste på personligt plan, så samtykke skal gives frit: specifik, informeret, utvetydig. Og det kommer til at påvirke mange områder af kunstig intelligens og datavidenskab - det er det område, jeg dækker mest i disse dage, er datavidenskabelige implikationer og bare sørge for, at der er en vis gennemsigtighed i selve modellerne - såvel som mange andre områder fra din selvbetjening BI, dit datavarehus, din masterdatastyring, endda dine kunder 360-projekter, til personalisering og endda din linje med forretningsapplikationer. Så dette er noget, der kommer til at berøre alle dele af din org. Og i modsætning til fortrolighedslovene i andre jurisdiktioner vil GDPR være gældende for enhver organisation beliggende i eller uden for Den Europæiske Union. Og overholdelsesbøderne er igen betydelige. Det er din organisation, der kan bøde med op til fire procent af din samlede brutto årlige - jeg tror, ​​det kaldes omsætning - indkomst i sig selv.

Forhåbentlig har jeg din opmærksomhed, og dette er ting, du skal være opmærksom på. Hvis din virksomhed allerede følger nogle af disse praksis og industristandarder med PCI, er det måske en ISO - jeg er ikke sikker på, om jeg vil sige det rigtige - 27001. Hvis du gør noget af det allerede, burde det ikke ' t være for overvældende, men det er noget, du helt sikkert skal være opmærksom på. Så når du forbereder dig på dette, er der et par områder, især inden for datastyring, og en af ​​de første ting er at have et katalog og klassificere dine data - at vide, hvor dine data er placeret. Og i en verden, en hybridverden, hvor data bor overalt: Det er i skyen; det er i disse apps; det er i salgsstyrken; det er i et andet tilfældigt program, som marketing også bruger, du ved, dine kundesystemer eller dine beholdningssystemer - alle disse typer steder. Ved, hvor dine data er og den nemmeste ting at gøre - og dette har været et rigtig sjovt område med datastyring, er dette begreber i disse datakataloger, der har intelligens, selv klassificering af maskinlæring er nogle af oplysningerne.

Og igen, metadata - Jeg nævnte metadata bliver cool igen, så jeg tænker virkelig på metadata og ikke gloser over det vigtige emne, når du begynder at designe datasøer og de slags ting, og selvfølgelig styrer og overvåger disse. Så overvågningen bliver meget vigtigere, når du skal gå tilbage og nogen fra f.eks. GDPR, måske beder dig om at bevise, hvor gik disse data, hvem har det, hvem der havde adgang til det osv. Fordi du faktisk bliver nødt til at vise myndighederne de slags ting.

For at hjælpe dig med datastyringens modenhed er der faktisk et par tanker, og jeg tror - jeg er ikke 100 procent sikker - jeg tror, ​​jeg så i Rons dæk, at han vil dække et par af disse, så en, at jeg Jeg vil tale om i dag er fra CMMI. Og denne, dette er tilgængeligt for folk; det dækker seks forskellige kategorier af datastyring, 25 procesområder, 414 praksisangivelser og 596 forskellige arbejdsprodukter. Så når du tænker på endda bare alle de ting, du gør, som om du administrerer og arkiverer data, 596 funktionelle arbejdsprodukter, vidste du ikke, hvor meget du gjorde, ikke? Eller hvad du virkelig ikke laver. Når jeg ser på et sådant nummer, er det en af ​​de ting, der virkelig sidder fast i mit sind. Så i dette, og hvad jeg kan lide ved netop dette, er det arkitektur og teknologi neutral. Så det betyder, at hvis du har, og de fleste af de større organisationer, som jeg har konsulteret med eller arbejdet og implementeret gennem årene, ved du, at de har alle mulige forskellige teknologier der. Så du vil, du ved, oversætte, hvad betyder DMM for platforme og teknologier, du bruger inden for dit specifikke miljø. Det er også industriuafhængigt, så det er ikke nødvendigvis specifikt for sundhedspleje, f.eks. I sundhedsvæsenet er det sikkert - uanset om det er BAA eller forskellige typer klassificeringer, er du nødt til at oversætte eller se på forskellige typer ting, mens du sammensætter dit program eller din plan for at forbedre dit niveau for datastyring i din organisation.

Hvad er det, hvis det ikke er nogle af disse ting? Grundlæggende definerer det hvad, men fortæller dig ikke specifikt, hvordan du gør det. Efter at have været en meget type A-personlighed det meste af min karriere, kunne jeg godt lide, når folk gav mig et mål, og jeg kunne finde ud af, hvordan jeg skulle komme til dette mål og ikke, siger, mikromaner min tid, hvordan man kommer dertil. Det er sådan, datadministrationens modenhed og disse processer med CMMI, det giver dig målene, og det giver dig, hvordan du måler dig selv på nogle af disse forskellige områder. Og de giver dig et niveau. Der er forskellige måder, du kan score og måle dig selv på, uanset om det er niveau 1 helt op til niveau fem, hvilket betyder, at du har optimeret det, og at du har et rigtig stærkt program på plads.

Og for bare at give dig en følelse af, hvad det virkelig betyder, har jeg et lille overblik her over, hvad det kan betyde. Så her inde, når du tænker på at have en datastyringens løbetid for databehandlingsprocessor, har den supportprocesserne på plads, alt fra krav, risikostyring, du skal støtte processer der, til datastyring og jeg er venlig med at glemme over det, men i det væsentlige er datastyring et helt program i sig selv. Når vi har en virksomhedsordliste, har vi for evigt talt om forretningsordlister og dataarkitekter - dette skal være noget, du har inden for din organisation. Nogle af disse katalogtyper af teknologi derude, de laver, udvikler en virksomhedsordliste med skarer at samle informationen og tage og hvad ikke, og du ved, at sætte links i dokumenter til forskellige perspektiver på de samme data, af datafeltet, eller version af dataene, efterhånden som de ændres gennem hele værdienes livscyklus.

Dette er de typer ting, der er blevet meget bedre, siden jeg startede i min karriere. Vi plejede at udvikle hjemmevoksede systemer i fortiden for at gøre disse typer ting. Så vi ser på det hele og det store billede, det er strategien og derefter alle de forskellige stykker herfra fra ledelsen til kvaliteten i regeringen. Og en ting om datakvalitet, det er interessant, da branchen bliver mere automatiseret, og vi har igen disse digitale processer med automatiseret beslutningstagning. Jeg arbejder meget i datavidenskabets rum, hvor vi har nogle af disse værktøjer, der automatiserer beslutninger og opdaterer forudsigelige modeller på farten. Mange af disse værktøjer og algoritmer kræver og antager, at dataene er gode. Det kræver, at dataene skal være gyldige for at give dig en god automatiseret beslutning. Så når du tænker over, ved du, måske er datakvalitet normalt en af ​​de ting, som folk slags børster til side og tager det ikke meget alvorligt. Men når du begynder at automatisere beslutningstagning i modeller til forudsigelig modellering og maskinlæring, bliver datakvalitet virkelig vigtig.

Et par måder at måle dine fremskridt her på er - og jeg vil lade Ron tale med dette, han har et dejligt lysbillede på dette i sin session også - jeg vil bare give dig en hurtig sneak peak af, du ved, disse forskellige niveauer i dette. I det væsentlige er det en selvvurdering, ikke? Så du vil undersøge din datastyring og hvad du mener, at du overhovedet har noget på plads. Og bliv ikke flov, hvis du ikke gør det. Som jeg sagde, er der kun 33 procent af organisationer, der endda er begyndt at gøre denne type ting. Selvom, du ved, har disse typer programmer i det mindste været sammen - Jeg har været i branchen i over 20 år, og bestemt gjorde jeg disse typer ting for år siden, vi har måske ikke bare kaldt det. CMMI, de har en øvelse, som du selv kan vurdere, og du kan gå igennem og se på og skabe dine egne - i dette tilfælde denne slags radarkort - vurderet alle disse forskellige vinkler eller ting. Og hver organisation, som jeg har gjort forskellige, ved du, da jeg plejede at konsultere og gennemføre disse projekter, ved du, hver organisation er unik. Det vil være områder, der vil være virkelig, virkelig vigtige for dem. Måske, du ved, det er processtyring eller det er kvalitetsstyring, eller det er risici - afhænger af hvad det er, men du vil se og skabe et benchmark eller en basislinje, og derefter også tænke over, hvad der definerer dens succes.

Når du tænker på at måle og styre disse typer ting, vil du først sikre dig nogle udøvende sponsorater til et program som dette. Dette er noget, der vil være tværfunktionelt i hele organisationen, så selv hvis Susie Q og John Smith, de beslutter, "Yup, lad os gøre dette. Vi er nødt til at gøre dette, " de kan ikke gøre det i en silo i deres organisation, eller endda hvis det er it. Du er virkelig nødt til at have det buy-in fra virksomheden og eksperten hos de emner. De har brug for noget tid. De ønsker ikke, at det bare skal være en ekstra opgave. Hvis du nogensinde har arbejdet på - jeg tror, ​​jeg har udført nogle masterdatastyringsopgaver, projekter før og datakvalitet - og som regel ved du, du kommer til virksomheden, og de, ”Åh, datastyring.” Det er ikke noget de er begejstrede for. Og de er som, ”Åh, nej. Vi er nødt til at have tid til det, ”og det gør de. Så du vil have noget tid engagement. Du bliver nødt til at have den velsignelse fra toppen. Du ønsker, at det skal være tværfunktionelt.

Igen er dette noget, der virkelig berører mange områder i organisationen. Og med GDPR skulle det gøre det lidt lettere, fordi igen lovgivningen fra GDPR, og hvor disse personlige data bruges til dine kunder og bruges i hele din organisation, skulle det være lidt lettere, hvis du anvender dem, hvis du har at overholde GDPR. At blive bundet af tungen her. Det burde være lettere for dig at gøre. Du ønsker at tildele noget ansvar og så se på, du ved, du vil tilpasse disse. Så du ser altid på disse typer vejledninger, som disse organisationer leverer, og det er normalt, hvad de er: De er retningslinjer for dig, og du vil implementere for din kultur i din organisation.

At have arbejdet i regeringsførelse har virkelig været et virkelig vigtigt, en af ​​de ting, som nogle af de produkter, som jeg udviklede, da jeg var i verdensomspændende produktstyring hos Microsoft, var self-service BI og gjorde det muligt for erhvervsbrugeren og den ikke-tekniske databruger at leg med data og oprette deres egne rapporter, og mange gange vil IT skubbe tilbage. Så jeg har brugt en masse tid på denne regeringsførelse og sørget for, at produkterne ville have de rigtige funktioner og revision og logning, og du ved, at gøre det så de ikke i sig selv ville nedbringe databasen. Men der er en ramme, som du ved, arbejder igennem årene med netop dette emne af disse typer ting, der også ligner datastyring. Du ønsker at have det fundament, der er oprettet med udøvende sponsorering til dette, og du vil have det engagement mellem forretning og it.

Så det gør, igen, vi talte om budget / tidsfordeling og om at udvikle nye processer. Det bliver en kulturændring, når du gør nogle af disse ting, ved du, begynder at se på data. Men du ved, det er meget vigtigt set fra et strategisk perspektiv. Og for at give dig en følelse, her er et eksempel, og jeg rensede det fra et af mine gamle projekter fra år siden om denne type ting. Og igen er dette sandsynligvis mere fra det generiske styringsmæssige synspunkt, men bestemt kan genbruges til disse typer projekter med styring og udvikling af dine datastyringsprocesser og styring af dem. Du har ekspert på forretningsemner, vi har datapersonale her, IT-emneeksperter, du kender, til forskellige forretningsområder. Mange virksomheder, der er større, har dit virksomhedsstandardkort og dine virksomhedsarkitekter og dataarkitekter og modellerere derinde. Så der vil være nogle forskellige emneeksperter fra forskellige niveauer. Og igen, mange af disse - jeg hader at have det som et eksempel - de tilpasses til din organisation og din kultur.

En af tingene, når du arbejder med disse projekter, igen er det mange gange sandsynligvis ikke det mest spændende projekt i organisationerne, ikke så visuelt, som folk ønsker. Det er sjovt, det er en af ​​disse ting, når konsulentfirmaet kommer ind eller endda i din egen IT-gruppe eller dit BI-center for ekspertisen kommer ind, eller dit analytiske center for ekspertise kommer ind, og vi arbejder med data kvalitet og datastyring modenhed, de er måske ikke utroligt begejstrede for at gøre det. Men du er nødt til at finde måder at motivere dem på og inkludere det i deres målinger. Så når du tænker over, hvad det skal være, er det en ting at gøre denne øvelse en gang, og du får folk om bord. Og du finder ud af, at de elskede datakataloget, eller at de elsker nogle af disse ting, fordi det gør deres liv lettere, og de kan finde ud af, hvad dataene betyder eller forstå det, og de kan tilføje deres eget perspektiv til det. Og tinget, datakataloger er sandsynligvis et af de største projekter for at hjælpe folk med at blive forelsket i dette.

Så den næste ting er at holde dem engagerede. Hvordan holder du nogen engageret, at de måske ikke er interesserede i dette? Det er at definere nogle målinger og inkludere det, deres måling i og derefter give noget læring til, når der er krænkelser og en vis opmærksomhed om, ”Hej, vi gjorde det virkelig godt i et stykke tid og derefter ikke så godt efter et stykke tid.” Så de er typer af ting at tænke på for at holde det i gang. Og når du tænker på at score, og dette er et eksempel fra CMMI, er det sådan, de scorer. Igen skal du have dine egne dashboards, dine egne KPI'er, du ved, forskellige måder, folk måles i en organisation. Men du har forskellige måder at score og måle din egen succes på. Mit vigtigste punkt, at du skal tage væk fra dette, eller en krog til at tage væk fra dette er at sørge for, at du har en måde at måle succes på, og at du også kan fejre dine succeser.

Så med det værdsætter jeg, at du har hængt ind i dette spændende emne, og jeg vil vende mig til Ron, det kommer til at grave lidt dybere.

Ron Huizenga: Nå tak, Jen. Og tak, alle sammen, fordi du kom med i dag. Jeg tager nu et par facetter af, hvad Jen talte om, og går lidt dybere på bestemte områder. Men hvad jeg også skal gøre, er at give en slags oversigt over, hvordan du i det mindste kan have en slags højt niveau-selvvurdering af nogle af disse områder også. For som du så med CMMI-modellerne og den type ting, kan du gå meget dybt meget hurtigt med en masse forskellige indikatorer. Så hvad vi virkelig ønsker at komme til er noget, så du kan få en god fornemmelse af hvor din organisation er på et ret højt niveau og derefter begynde at bore ind i de andre. Så med det vil jeg tale om organisatorisk effektivitet. Og jeg vil basere det på CMMI og nogle af de andre standarder eller organer for viden, der er slags fremkommet derfra gennem årene. Og så vil jeg tale om nogle af modenhedsindikatorerne for datamodning og processmodning, for når vi gennemgår dette, vil du se, at de går hånd i hånd. Og støttende perspektiver talte Jen om regeringsførelse på et område. Og jeg vil også tale lidt om virksomhedsarkitektur. Og så opsummerer vi det og kommer til selve rundbordet.

Hvis vi ser på det, er der masser af standarder og BOK'er - som naturligvis er videnlegemer - der er blevet offentliggjort gennem årene. Mange af disse er virkelig stammer fra evnen til modenhed model. Og det er her CMMI, som Jen talte om, kom fra. Selve CMM-modellen var faktisk i 1998. Den blev faktisk startet af en herre ved navn Watts Humphrey, da han var sammen med IBM. Han havde en 27-årig karriere hos IBM. Men hans virkelige aktive udvikling af den bestemte model startede, da han var i Carnegie Mellon, og den blev bestilt af det amerikanske forsvarsministerium. Mange andre standarder er blevet brugt til at udlede dette. Og noget, der er meget godt at vide om branchen, når vi taler om dette i nogle af de andre standarder, er, når vi ser på tidspunktet for dette, er det også på baggrund af ting, som vi så i industrien generelt. Dette var, da kvalitetsbevægelsen virkelig begyndte at få fat, især inden for fremstilling, og som spundet ud til andre områder. Hvor vi så på måder til at forbedre fremstillingsprocesser, gøre ting som total kvalitetsstyring, just-in-time fremstilling og andre ting. Og en masse af de filosofier, der kom ud af, kom ind i hele kvalitetsarbejdet.

Og det er virkelig en slags springplads, hvorfra mange af disse ting startede. Det startede i den generelle branche og kom også ind i it og data og proces og informationssystemer. Andre standarder, som vi ser, der er tættere beslægtede eller mere specifikke for nogle af de ting, vi taler om, er naturligvis datamodningsmodellen, som Jen talte om lidt. Der findes også forretningsmæssige modenhedsmodeller fra Object Management Group. Og en række andre standarder, som du måske har set, at din organisation måske kæmper med eller bruges til forskellige forretningsområder, især IT-drevet, såsom COBIT, som er kontrolmål for information og teknologi, ITIL, der generelt er infrastruktur -fokuseret, som mange af jer måske har behandlet. Igen total kvalitetsstyring. Og især når du kommer ind på ting som metrics og alt andet, har du måske også set ting som statistisk processtyring komme i spil. Og selvfølgelig er nogle af de viden, som vi beskæftiger os med, information eller it-fagfolk. Datahåndteringsorganet for viden af.

Der er også, svarende til det, virksomhedsanalyse af viden. Og projektstyring af viden. Du kan have flere eller flere af disse ting i spil, der bruges af forskellige interessenter i din organisation på samme tid. Men lad os slags filtrere ud gennem BOK'erne, og lad os gå tilbage og sige, hvad er modenhed? Og vi viser definitionen på moden, fordi når du spørger, hvad modenhed er, når du slår den op i ordbogen, siger den faktisk "du er moden." Så ved at bruge ordet "moden" betyder det virkelig at have nået en avanceret udviklingsstadium - selvfølgelig meget generisk. Men det, vi virkelig ser på her, er at fremme det, vi gør til et højere og højere niveau, når vi gennemgår. Og når du ser på en masse standarder, som du vil se, især CMMI og kapacitetsmodningsmodellen virkelig baserede ting på en fem-punkts skala, så det giver os en gradvis måde at se og sige, hvordan er vi udvikler os faktisk på denne skala i hvordan vi vokser?

Når vi ser på modenhed, men med hensyn til at opnå organisatorisk modenhed i de ting, som vi er interesseret i, er vi nødt til at være i balance. Du er nødt til at opnå datatype, og vi taler om nogle af de kriterier, du skal stille der, men du skal opnå processmodning på samme tid. De er to sider af den samme mønt, og de skal gå hånd i hånd. Du kan ikke gå fra, for eksempel, nul til fem på en datamodningsskala uden at øge din procesmodning, og det samme er tilfældet med processmodning. De er begge sammenkoblet, og de trækker hinanden med på turen, da du faktisk udvikler sig gennem de forskellige faser. Og jeg vil tale om det lidt mere i et fremtidig lysbillede her. De andre ting, vi er nødt til at indse, er at opnå både data og processmodning er grundlæggende for virksomhedsarkitektur og grundlæggende for nogle af de styreformer, som Jen også talte om. Vi aktiverer dem gennem opnåelse af modenhed i nogle af disse ting, som vi prøver at gøre.

Nu ind på det lysbillede, som Jen sagde, at jeg skulle tale om lidt mere detaljeret. Jeg har taget kun et par kategorier, og ved hjælp af CMM-skalaen her, og jeg har faktisk min egen, tilføjer jeg faktisk et nul i form af, oven på skalaen, fordi der kan være visse tilfælde, hvor du faktisk ikke har lavet enhver trækkraft overhovedet i disse tilfælde. Så dette er bare måder at genkende, der er sket. Så hvis vi især ser på datastyring, kan du muligvis starte ved nul, fordi du ikke har nogen programmer til styring af data. Og når du begynder at modnes gennem de forskellige områder, når du først begynder at introducere det på projektniveau, derefter et programniveau, gennem divisioner og i sidste ende virksomhedsdækkende, er det sådan, fra et regeringsførelsesperspektiv, du modnes og vokser som en organisation, mens du gør dette.

Andre facetter af det, såsom styring af stamdata, kan du starte på nul uden formelle klassificeringer af materielle data. Så kommer du til, du vokser til et punkt, hvor du anerkender, at du har stamdata, og du begynder at klassificere, men de er ikke integreret. Derefter begynder du at arbejde mod integrerede og delte lagre. Når du kommer ind i et standardiseret miljø, er det, når du ser på at levere datastyringstjenester. Og når du går videre derop, vil du oprette stamdata-stewards og i sidste ende et datatilsynsråd, der virkelig ser på dette alvorligt hele tiden. Når du ser på dit tekniske miljø og de applikationer og de databaser, du har fra et dataintegrationsperspektiv, igen, i et umodent miljø, vil du have et antal ad hoc, punkt-til-punkt-grænseflader og den type ting. Og når du vokser igennem, begynder du at introducere nogle almindelige værktøjer og standarder. Så begynder du at se på fælles integrationsplatforme, når du vokser ud. Når du bliver standardiseret, arbejder du på standardiseret mellemvare og mulige lette ting som forretnings servicebusser, kanonisk model, kategoriserer alle dine data i din organisation og binder også til de ting som forretningsregler i dit arkiv og den slags ting. Og derefter gå endnu længere, hvor du får det fuldt indlejret i organisationskulturen. Og selvfølgelig er kvalitet vigtigst. Mens Jen talte om, antager mange beslutninger og en masse værktøjer derop, at du har data af høj kvalitet, som du arbejder med. Så datakvalitet er noget, der er et grundlæggende grundlag for at opnå datamodning.

Igen, når du ser på dataene, kan du have en masse siloer og spredte data i umodne miljøer. Du kan have uoverensstemmelser, der accepteres. Og så begynder du at arbejde på det, genkende det inkonsekvente og derefter begynde at se på planlægning. Og hvis du ser på styrede miljøer her, er noget meget vigtigt her datarensning ved forbrug for at bruge dataene i beslutningsprocessen. Så det, vi virkelig taler om, er datarensning, hvor vi vil indlæse det i datalager og andre beslutningsstøtteværktøjer. Og dette er analogt med det, vi plejede at se inden for dataproduktionstypen, hvor folk ville bygge produkter, de ville komme ned ad samlebåndet og i slutningen af ​​det, ville du inspicere produktet og gå, ”Åh, Vi har mangler her. ”Igen, en ting, som du aldrig kan gøre, er, at du aldrig kan forbedre et produkts kvalitet ved at inspicere det i slutningen. Du kan se problemerne med det, og så kan du træffe foranstaltninger for at forbedre de næste og andre, der kommer ned ad linjen efter det, men du vil aldrig forbedre det ved at inspicere det i slutningen. Så det er her, når du bevæger dig fremad, især i data, bevæger du dig mere fra en inspektion og et rensende synspunkt på det forbrugssted, hvor du begynder at prøve at opbygge det ved kilden, lige fra hvor du fanger data, de processer, der handler efter disse data, og sikrer, at disse data er nøjagtige og egnede til forbrug ved enhver proces gennem hele vejen. Når du udvikler dig yderligere, begynder du at udvikle dig og få en KPI'er af høj kvalitet og virkelig begynde at udvikle den forebyggende tilgang til datakvalitet, når du går videre.

Med hensyn til organisatorisk adfærd eller ting, som du ser, er, hvis du ikke tror, ​​du har et problem, eller du ikke er opmærksom, kan du være, hvis der er en benægtelsesfase i din organisation, der fortæller mig, at du er nede på et niveau nul eller potentielt bevæger sig ind i et. Hvis der er en masse kaos omkring dine data og forsøger at løse disse uoverensstemmelser, er du sandsynligvis på et niveau. Når du stadig er i en reaktiv tilstand, bevæger du dig i administreret, men du kommer ikke til at blive standardiseret, før du faktisk har et meget stabilt datamiljø, der omfatter både styring, kvalitet, styring af stamdata og data integration, for blot at nævne et par af punkterne. Og igen, når du først er kommet forbi det, er det, når du begynder at komme ind i virkelig proaktive managementformater. Hvis du kommer til den del, hvor du har en meget forudsigelig opførsel og også analysen til at sikkerhedskopiere den og KPI'erne for at sikkerhedskopiere den i din organisation, når vi ser på dette og overlægger et par ting, er der nogle andre ting, som vi kan se om organisationer, og hvor de er. Lad os se på det primære it-fokus i en organisation. Hvis dit primære fokus inden for IT stadig er på teknologi og infrastruktur, er du sandsynligvis nede mod den mindre modne ende af skalaen. Men når du virkelig fokuserer på information og muliggør strategisk aktivering af virksomheden, kommer du nærmere den modne ende af skalaen. Også når du ser på det fra et dataperspektiv, hvis du er i den lave ende, har du en høj datarisiko, og hvis du er i den høje ende, har du sænket risikoen for data. Og den bageste side af det er værdegenereringen af ​​organisationen. Lavere datamodning betyder, at du sandsynligvis har et forholdsvis lavt værdegenereringsniveau, især med hensyn til de data, du har i din organisation. Og når du bevæger dig op i skalaen, får du en høj værdiproduktion.

Lad os se på dette med hensyn til selve datamodellering. Nogle gange er datamodellering blevet det rødhovedede stebarn. Og datamodellering er grundlæggende for at opnå datatype. Så jeg vil bare tale om et par af de fortællende tegn om, hvordan datamodellering binder sig ind i dette. Hvis det bare bruges til dokumentation eller simpel, fysisk databasegenerering til små apps og den type ting, er du sandsynligvis nede på et niveau med hensyn til datatype. Når du begynder at omfavne og genkende de forskellige typer modeller, herunder konceptuel, den logiske model og den fysiske modellering, hvor det også er, ved du, dybest set kører du designet op. Du bruger virkelig det som et designmæssigt synspunkt, så er du på et niveau.

Når du begynder at se på det fra et mere virksomhedsniveau, herunder opbygge virksomheds- eller kanoniske modeller, introducere koncepterne og binde flere modeller, datalinje og opbygge styringsmetadata lige ind i dine modeller, begynder du at få en niveau tre og derefter gå videre til metadata med fuld regeringsførelse, integration af virksomhedsordliste osv. Ser man på livscyklus og værdikæden med data er det, når man virkelig kommer til et niveau fire. Og igen, fuldt integreret modellering med virksomhedsordlister, metadata, at være i stand til at drive ting som analyse af selvbetjening, det er virkelig når du har opnået en ret moden tilstand.

Som en del af dette vil jeg meget kort tale om livscyklus for data. Og grunden til, at jeg vil tale om det, er datalivets cyklus desværre ofte ignoreres. Og hvad det handler om, det beskrev virkelig hvordan et dataelement oprettes, læses, opdateres eller slettes, og de processer, der virker på det i hele din organisation. Så de af os, der har været i branchen i lang tid, refererer til dette som CRUD, fordi det er oprettelse, læsning, opdatering og sletning. Men vi er nødt til at forstå dette på et grundlæggende niveau, når vi beskæftiger os med dataene i vores organisation. En masse faktorer kommer ind. Hvad er forretningsreglerne, der handler efter det? Hvad er de forretningsprocesser, der forbruger, producerer eller ændrer dataene? Hvad er de applikationer, der faktisk implementerer disse forretningsforløb for at gøre det muligt for dig? Alt, hvad der kommer i spil med hensyn til datalivets cyklus.

Og igen henviste Jen til dette tidligere - der er muligvis ikke nødvendigvis en kilde til sandhed. Og der kan være flere måder, hvorpå et bestemt dataelement oprettes. Og du er måske faktisk nødt til at komme ind, forskellige ting kommer ind gennem flere systemer eller flere indtagelser, som du er nødt til at forene og løse for at finde ud af, hvad den rigtige datakilde er til den bestemte beslutning på det tidspunkt. Der kan være flere varianter af dataene til forskellige formål i en organisation. For at være i stand til dette skal du være i stand til at modellere forretningsprocesser, datalinje, der inkluderer dataflowene, integration og der inkluderer ting som ETL, så ekstraher, transformer og indlæses til dit datalager, datamart og iscenesættelsesområder og selvfølgelig kommer datalink på big data-siden også ind. Når du trækker disse oplysninger ud af datasøen, skal du vide, hvordan du bruger dem, og hvordan du bruger dem. Med hensyn til selve livscyklussen er det virkelig, hvordan vi opretter eller indsamler nye data, hvordan vi klassificerer dem - fordi du er nødt til at klassificere dem for at forstå og arbejde med dem effektivt - hvordan du lagrer dem, hvordan du bruger du det, hvordan du ændrer det til den forretningsproces, hvor den deles i organisationen - og meget vigtigt: opbevaring og arkivering. Hvor længe beholder du dataene? Hvornår arkiverer du det? Hvornår ødelægger du i sidste ende disse data? Alle disse ting skal tages i betragtning i din datalivscyklus, og du skal gøre alle disse for at opnå et højt datamodningsniveau i din organisation.

Nu er flip side, igen, jeg sagde, at de er slags som tvillinger, hvor du har brug for at tale om procesmodning sammen med datatype - de går hånd i hånd. Igen, jeg har fået nogle forskellige ting her, og - rolig ikke, jeg vil ikke læse igennem alle disse, men bare en slags tjekliste, så igen kan du begynde at selv vurdere, hvor din organisation er i af processmodenhed. Lad os se på tingene fra det oprindelige gennem de optimerede sider igen. Igen bruger vi den samme fem-punkts skala, der blev afledt af kapacitetets modenhedsmodel. Hvis du ser på ting som fokus, hvis du er nede på et lavere niveau eller det indledende niveau af processmodning, kan du muligvis finde ud af i din organisation, at folk virkelig er afhængige af deres egne metoder til at udføre deres arbejde. Og du kan se nogle heroiske ting og den type ting for at være i stand til at få tingene gjort. Så begynder du at komme til et punkt, hvor du er mere proaktiv overfor det, hvor din ledelse tager ansvar for arbejdsenhederne og ydeevnen. Derefter begynder du at udvikle de standardintegrerede processer. Derefter processtabilitet og genbrug. Derefter begynder du at se mere af en kultur for mentoring og statistisk styring for at beregne metrics og KPI'er vedrørende disse processer og til sidst til fuld optimeringsniveau.

Når du ser på arbejdsstyring, kan du gå efter, du vil gå fra et område, hvor du har inkonsekvente niveauer af arbejdsstyring til mere styret, hvor du mindst afbalancerer på et højere niveau dine forpligtelser til ressourcer. Så til et punkt, hvor du har en mere tilpasningsdygtig eller smidig organisation, så du kan standardisere dine processer, men skræddersy dem til det bedst anvendte under forskellige omstændigheder i din organisation. Og når du kommer til avanceret, er det her, empowerment er meget vigtigt, og det betyder, hvad alle intuitivt forstår, hvad der foregår, og personalet har procesdataene, så de kan evaluere og styre deres eget arbejde.

Igen og tilbage til produktionsanalogien - da vi så, at da vi begyndte at modernisere vores samlebånd og alt lignende i industrien, begyndte vi at tale om den samlede kvalitet og styrkelse af arbejdstagere, selv på samlebåndet, hvor hvis nogen så noget galt i et bestemt produktionsstadium, blev folk bemyndiget til at kunne trykke på den store røde knap og lukke hele samlebåndet, indtil problemer var løst, før tingene gik videre. Og det er den type mentalitet og en slags kultur, som vi leder efter omkring data i vores processer for at sikre, at vi faktisk optimerer vores data og vores processer i vores organisation.

Andre indikatorer for din kultur - er din kultur stagnerende med hensyn til intet identificerbart fundament for reelt engagement i forbedring af dine forretningsforløb? Er der en delegation af ansvar, som vi ser længere op på skalaen? Og når du bevæger dig længere, har du muligvis stadig siloer, men når du begynder at bevæge dig op med hensyn til kulturen og tingene, du laver på din forretningsproces, nedbryder du også de forskellige forretningssiloer og udnytter processer på tværs af din organisation. Det er meget vigtigt, at når du kommer til begivenhedsstadiet, er det, du virkelig baserer det på, snarere end magefølelse, at du faktisk indsamler kvalitetsmålinger, og du har målinger på plads for at forudsige din evne til at udføre din forretning operationer, og det er ekstremt vigtigt.

Med hensyn til arkitektur, lad os tale om det, fordi mange af os her er inden for IT eller altid ser på IT. Igen, samme type ting, som vi så i dataene. Vi har desperate IT-systemer, hvis du virkelig er nede i de indledende stadier af processmodning. Når du begynder at styre dine processer, vil du se nogle tjenester, der indstilles, hvor du virkelig anvender mere af en servicebaseret tilgang. Så hvis du bliver standardiseret, vil du se mere af en full-service-vedtagelse med hensyn til data og tjenester og processtjenester og den type ting, lige op til hvor du kommer til en fuld service eller en ny arkitektur. Og så til sidst til en fuld procesdrevet virksomhed, der bruger dine data.

Igen, de samme typer skalaer, når vi ser på dette. Med hensyn til produktivitet, ved et lavt niveau af procesmodning, vil du se lave produktivitetsniveauer og høj procesmodning, og du vil se en meget højere produktivitet. Og kvalitet går også hånd i hånd med det. Samme som med dataene - hvis du er på et lavt modenhedsniveau, vil du se et højt niveau af risiko og også et højt niveau af affald. Men jo højere dit modenhedsniveau vil du sænke det og sænke din risiko og reducere affaldet markant. Med hensyn til nogle af de ting, som du måske ser som slags symptomer eller indikatorer i en organisation, hvis den primære filosofi er baseret på omkostningsbesparelser, er du sandsynligvis nede på et lavt niveau af processmodning. Derefter går det gradueret op og går op mod at se effektiviteten nærmere i din organisation, og når du kommer til et meget modent niveau, fokuserer du igen på værdegenerering.

Fra et organisatorisk ledelsesperspektiv, hvis kaos hersker, er det typisk et symptom på, igen, organisationer med lav procesmodning. Men du begynder at fokusere på det, jeg kalder mere en ledelsesmentalitet, hvor - og der kan være en vis styring ved dekret eller pålægge ting - hvor du virkelig er, når du kommer til de mere modne niveauer, oversætter din ledelse til mere lederskab. Med andre ord er forbedringsfilosofien indlejret i kulturen, og fra administrerende direktør og ned, reklamerer de for hele filosofien om forbedring af processer og kontinuerlig, kontinuerlig forbedring af din organisation som helhed.

Med hensyn til procesmodel - og jeg vil gennemgå disse ting temmelig hurtigt her - lad os igen se på procesmodeller, når de binder sig ind i selve processmodenheden. Igen, meget lig med de ting, som vi så på datamodenheden, hvor du på lave niveauer eller niveau en bare muligvis dokumenterer processer eller den aktuelle tilstandsproces, men du bruger virkelig ikke den til at føre ting fremad. Når du begynder at modnes, skal du bruge forretningsprocessemodellering til at skabe faktisk forretningsprocesstyring i organisationen, derefter udvikle sig endnu mere, hvor du bruger det og løbende opdatere disse modeller for at få procesforbedring til det sted, hvor du i sidste ende komme til processedesign. Og når du kommer til fuld moden, eller, du ved, hvad du typisk ser i magre eller organisationer, der har vedtaget programmer af højere kvalitet, såsom Sigma, er det igen, hvor du har den kontinuerlige forbedringsmentalitet og det er indgroet lige i modelleringen af din organisation. Så ligesom vi bruger tekniske tegninger til at bygge produkter, hvad enten det er fly eller bygninger og skyskrabere og den type ting, så er vi afhængige af, at vores modeller faktisk driver vores forretning fremad, fordi det er det designelement, der faktisk driver vores organisatoriske elementer fremad .

Nu igen, jeg vil ikke gennemgå dette og hvert eneste ord her i detaljer. Hvad jeg har gjort, er, at jeg har taget disse to enklere ristebaner, og jeg har valgt et antal af de ord, der blev brugt i nogle af disse andre deskriptorer til både datatype og procesmodning. Så når du ser på dette efter det faktum, kan du begynde at tænke på nogle af de ord, som du ser komme ud i dine egne interne kulturer med hensyn til ting, der siges. Og det vil hjælpe dig med at begynde at klassificere, hvor vi som en samlet organisation begynder at passe på denne modenhedsskala generelt. Så hvis du ser ting som inkonsekvens eller stillestående eller ineffektivitet opstår ganske ofte eller kaos, vil du typisk være i den nedre ende af skalaen. Når du begynder at tænke på ting som kontinuerlig forbedring, strategisk tilpasning, en forebyggende tilgang til mangler og kvalitet og den type ting, fuld integration og du taler om bedste praksis i konkurrencefordel, er det, når du skal se dig selv op ved optimizer, højere ende af skalaen.

Igen, noget, som jeg også vil påpege, at når du begynder at se på datastyring, især når du ser på bunden af ​​skalaen, er i de indledende faser, kan datastyring kun indføres på individuelle projektniveauer. Du er nødt til at udvikle dig til et punkt, hvor datastyringen og det særlige mål er fra projektdatastyring og har udviklet sig gennem program- og opdelingsstyring af data, hvor det igen er virksomhedsdækkende og indlejret i organisationen som helhed.

Jeg har talt om det faktum, at dette faktisk er tvillinger, der fungerer sammen med hensyn til datatype og processmodning. Ved at opnå denne modenhed er på hver side af skalaen en rejse, og du kan ikke hoppe trin. Hvis du er i et nul, bliver du nødt til at udvikle sig gennem trin en, to, tre, fire og i sidste ende komme til fem. Og der er meget få organisationer i verden, der faktisk er på en fem. Så mange organisationer ville være mere end glade for at være på et punkt, hvor de er i en tre og derefter være i stand til at bruge det som et springbræt fremad. Og igen, du kan ikke gå, du kan ikke være fire fra en datatype og en på en procesmodning. Det fungerer bare ikke, fordi de er så sammenflettet, at du er nødt til at forstå og have et godt greb om dine data og processer i forbindelse med hinanden.

En god analogi til at tænke på dette som det er, på din rejse mod organiseret modenhed, lad os antage, at dit team består af to personer: Den ene er processmodning og den anden er datamodning. Du kører en forhindringsbane, og du er bundet sammen med et kort reb. Og for at komme til slutningen af ​​dette kursus, betyder det, at jer begge skal komme igennem, ikke kun alle forhindringer, men I er nødt til at komme igennem alle forhindringer næsten på samme tid eller meget tæt på hinanden for at være i stand til at komme videre og komme til den næste hindring. Det er en rigtig god måde at tænke på at balancere processmodenheden og datatypen. Så med andre ord kan du være noget procescentrisk og du kan være noget datacentrisk, men det vil være en førende indikator, og der kan ikke være en masse kløft til faktisk at bringe dig op gennem niveauerne.

Og så, når vi ser på det igen fra datastyring, er en af ​​de ting, jeg ønskede at påpege i tilfælde af, at du ikke var klar over, DAMA faktisk frigav Data Management Body of Knowledge Volume Two tidligere på året, og af de ting, som ændret der er det faktiske DAMA hjul. Og jeg repræsenterede det faktisk lidt anderledes, hvor datastyringen er i centrum og de ti forskellige kategorier omkring det forskellige hjul. Noget, der er meget vigtigt at se her, er datamodellering, og design har faktisk sine egne områder på rattet nu - det var slags blandet ind i de andre, tidligere. En af de ting, der er et meget grundlæggende punkt her, er modellering af data, især er grundlæggende for alle disse andre aspekter, fordi uanset om vi udfører datamodellering af vores databaser eller de metadata, vi har med at gøre, har datamodellering en rolle at spille i alle disse andre stykker, som vi taler om. Og processmodellering har også en rolle at spille i mange af disse ting, fordi vi ud over at forstå selve dataene også har brug for at forstå, hvordan de bruges, og det er sådan, at procesmodellering virkelig hjælper os med at gøre det.

Lad os nu skifte gear lidt og tale om virksomhedsarkitektur. Og modeller er også afgørende for virksomhedsarkitektur. Og jeg baserer dette på et eksempel, og dette er Zachman-rammen, som jeg viser her meget hurtigt. Og når du ser på dette, ser du flere ting her. Du ser hvad, hvordan, hvor, hvem, hvornår og hvorfor er slags skalaen øverst. Og så gennemgår du mere detaljerede niveauer af uddybning, hvis du vil, hvad angår de typer modellering eller typer af ting, som du uddyber med hensyn til virksomhedsarkitektur fra et meget højt kontekstuelt niveau helt ned til et detaljeret niveau, inklusive fysisk implementering. Hvis du ser på de første kolonner, hvad er meget datakrævende og involverede data. Hvordan er meget procesdrevet. Og hvis du ser på de andre aspekter, bruger du en kombination af proces- og datamodellering med hensyn til at køre resten af ​​informationen op. Du kommer til at have data om alle disse forskellige ting, og dine procesmodeller vil også binde tingene sammen, som hvor tingene sker, ansvaret. Og også med hensyn til den procesmodellering, som vi gør så godt i vores værktøjer, kan du begynde at binde dette ind i målene og forholdene og forretningsreglerne, der driver disse forskellige ting, du gør.

Fra et overordnet perspektiv af Zachman-rammen er en af ​​de gode måder at tænke på dette også, at du er modeldrevet, og du går faktisk gennem de forskellige niveauer. Så du starter med et højt niveau og det kontekstuelle. Derefter udvikler du dig mod forretningsmodeller, ned i systemmodeller, derefter teknologimodeller og derefter din meget detaljerede repræsentation af de tekniske modeller også. Og igen repræsenterer data hvad, processen er hvordan og det er virkelig en kombination af data og procesinteraktion, der driver alle de andre egenskaber her.

Baseret på det er det ikke tilfældigt, at den måde, vi ser ideen om virksomhedsarkitektur på, er baseret lidt anderledes end nogle andre måtte. Ganske ofte vil du høre om de fire søjler i virksomhedsarkitektur er data, erhvervelse, forretnings og teknisk arkitektur. Vi ser på det lidt anderledes end det. Vi ser dataarkitektur som det grundlæggende fundament, der driver al virksomhedsarkitektur af to grunde. Det ene, det var her det startede. Selv ting som Zachman-rammerne voksede primært ud af dataarkitektur og voksede derefter ud til også at omfatte de andre aspekter af arkitektur. Og to, fordi det grundlæggende bånd mellem proces og data. Derfor ser vi forretningsarkitekturen som den centrale søjle i virksomhedsarkitektur. Og så komplimenteres det naturligvis med applikationsarkitektur og teknisk arkitektur, som er absolutte nødvendighedsaktivere, så vi kan drive ægte virksomhedsaktivering. Nu, når vi ser på det med hensyn til ER Studio Enterprise Team Edition, vores integrerede modelleringsplatform, er det sådan, det kommer i spil. Og dette er et kontekstdiagram på højt niveau af nogle af de modeller, vi gør, og nogle af de grundlæggende elementer bag det. Og dette er faktisk kørt ind, dette er faktisk skematisk vist i et procesdiagram. Så når vi ser på vores dataarkitekturstykke og vores forretningsarkitektur nedenunder, leverer vi rollebaserede værktøjer.

Og når du ser på vores forretningsarkitektværktøj nede i nederste venstre hjørne, er det der typisk forretningsanalytikere og forretningsarkitekter arbejder. Og de fokuserer typisk på nogle af forretningsprocesserne og begynder at fjerne dem. Men de er også fokuseret på hvad. Så så begynder vi at lave noget konceptuel datamodellering og den type ting. Vi kan udnytte og bringe disse konceptuelle modelleringskomponenter ind i vores datamodelleringsværktøj og til dataarkitekten, hvor de videreudvikles i logiske datamodeller og naturligvis i sidste ende de fysiske modeller, så vi kan generere de fysiske databaser. Og vi kan også skubbe tilbage, så de konceptuelle modeller også opgraderes i forretningsarkitekturområdet. En meget vigtig ting her er, at vi støtter de forskellige typer modellering. Så, igen, BI er meget vigtigt, og datasøer og den slags ting, så vi udfører faktisk også nogle modellering, og også som en del af det, udfører vi lineage modellering. Så ikke kun ETL med hensyn til, hvordan du foretager kortlægningen fra dine fysiske modeller til dine dimensionelle modeller til datavarehuse eller endda indbringer ting fra dine datasøer og ser, hvordan disse kortlægger ud, vi kan binde alle disse ting sammen. Samt videresendelse af reverse engineering fra andre modelleringsplatforme, fra big data platforme.

Og så også ting som ETL-værktøjer, så vi faktisk kan begynde at udlede datalinjediagrammer direkte fra ETL-specifikationer, som du måtte have i dit eget miljø. Det er også meget vigtigt at vide, at vi har været nødt til at udvide os ud over relationel modellering. Vi har visse platforme som Hive og især MongoDB, vi begynder nu at tale om dokumentbutikker, hvor vi har koncepter som indlejrede objekter og arrays. Vi har faktisk udvidet notationen til også at kunne rumme disse typer modeller, fordi det er et ikke-relationelt koncept. Alt, hvad vi oprettede i dataarkitektværktøjet med hensyn til dataartefakter, hvad enten det er logiske enheder eller fysiske tabeller og deres attributter, kan derefter også skubbes tilbage til forretningsbehandlingsmodelleringen. Så når du uddyber dine forretningsprocesmodeller fra et højt niveau og kommer ned til et lavere niveau, kan du faktisk linke de faktiske dataelementer ind. Så du kan handle, vi kan specificere CRUD-matrixer for, hvad der faktisk sker. Så det giver dig den datalivscyklus, som jeg talte om med oprette, læse, opdatere og slette på et procesniveau. Og vi udfører også fuld BPM-procesmodellering med vores eget sæt overlays, så du kan begynde at binde forretningsstrategier, forretningsmål. Vi kan også binde de applikationer, der implementerer disse forretningsprocesser, alt sammen fra et modelstyret synspunkt.

Andre ting er ekstremt vigtige er også i vores datamodeller. Datastyringskarakteristika eller datakvalitetskarakteristika mestrer og styrer. Du kan definere og opbygge dine egne metadata der for de egenskaber, du ønsker at spore, og det betyder, at du nu bruger din model som en plan for at køre det gennem hele organisationen, ind i dine metadata-lagre og alt andet. Og selvfølgelig er en af ​​begrænsningerne ved modellering, for mange år siden, da mange af os begyndte i branchen med at gøre dette, at vi ville fremstille disse modeller. Hvad ville vi gøre? Vi ville udskrive dem, vi ville lægge dem på en væg, muligvis for teammedlemmer at dele og den type ting. Den sande værdi af dette er at være i stand til at dele og samarbejde i vores organisationer. Så derfor har vi en depot-drevet tilgang til, hvor vi tjekker ind og tjekker vores modeller og arbejdsområder. Og vi deler dem med vores vælgere, der er organisationen, uanset om de er andre tekniske interessenter, forretningsbrugere og den type ting. Og bind det også ind i vores samarbejdsplatform, der hedder Team Server.

Så vi talte om tidligere forretningsordlister og vilkår og vigtigheden af ​​det og at udvikle dette ordforråd for virksomheden. Det var alt sammen i Team Server, hvor brugere, forretningsbrugere kan samarbejde om disse betingelser. De er synlige, kan bruges i dataarkitekt, for eksempel i nærheden af ​​datamodeller, og selvfølgelig stammer mange af disse forretningsordbøger ofte fra nogle af de datagræsbøger, vi har oprettet i vores datamodeller. Vi kan skubbe dem ud for - Fra dataarkitektværktøjer er et udgangspunkt også virksomhedsordlisten, hvor de også kan forbedres, og alt sammen med ændringshåndtering.

Det var meget. Bare for at opsummere, et par ting, som vi talte om, er at prøve en ægte organisatorisk modenhed, har du brug for en afbalanceret tilgang, der består af datamodning og processmodning. Du kan ikke opnå den ene uden den anden. Igen, grundlæggende, er du nødt til at have begge dele og være nødt til at stole på dette, specifikt, datamodellering og procesmodellering til både virksomhedsarkitektur og datastyring og processtyring såvel i dine organisationer. Virksomhedsarkitektur binder det virkelig sammen med hensyn til at se på disse forskellige facetter og perspektiver. Du har brug for et solidt fundament for dataarkitektur for at gøre det, og du har brug for integrerende procesmodellering for at give den forretningsmæssige kontekst og give dig mulighed for at føre din forretningsproces og dit dataforbrug fremad. Igen, vigtigere end nogensinde før. Jeg kan sige, hvad der er gammelt er nyt igen. Så datamodellering, procesmodellering, afstamning, metadata og ordlister er grundlæggende for at være i stand til at opnå dette, og ER / Studio Enterprise Team Edition er en samarbejdsplatform, der bringer alt dette sammen.

Og med det kan vi gå videre til spørgsmålene.

Eric Kavanagh: Okay.

Ron Huizenga: Vi går til dig, Eric.

Eric Kavanagh: Ron, jeg er nødt til at tipse min hat til dig for al den indsats du lægger på at dokumentere disse forskellige processer og rammer. Det er meget materiale, som du har der. Jeg gætter på, at det store spørgsmål, jeg har, er, hvem der skal føre tilsyn med disse ting i en organisation, fordi du rører ved så mange forskellige ting. Du regner processer, det bliver en chef for driftslederen eller en driftsperson. Data livscyklus, tror du måske det vil være en chef for datacentral. Du berører så mange forskellige dele og så mange forskellige komponenter til virksomheden. Hvordan finder du den rigtige person eller gruppe af mennesker, og er det en styregruppe? Hvad er det? Hvad kan du fortælle os om, hvem der skal gøre dette i en organisation?

Ron Huizenga: Du ved, det er et interessant spørgsmål. Vi kan faktisk bruge en dag på at diskutere fordelene ved forskellige forskellige tilgange der. Men noget, som jeg bestemt så, ved du, da jeg konsulterede, før jeg kom ind i produktstyringsrollen, er, når jeg kiggede på organisation, det har været en del af problemet, at få ejerskabet og få folk til at tage ejerskab af dette. Og når vi ser på disciplinerne som vores datamodellering og endda vores forretningsprocessemodellering, eller i de tidlige dage endda, datastrømningsdiagrammer og de slags ting, voksede den slags ud af IT. Men efterhånden som vi er gået fremad, og jeg tror nu, vi anerkender mere og mere, at dette virkelig skal være forretningsdrevet. Så du virkelig ønsker, at ejerskabet for dette skal være i branchen.

Og jeg kommer til at fornærme nogle it-folk her, men jeg er overbevist om, at grunden til, at vi har set udviklingen af ​​rollen som chef for datainforvalter, er CIO-rollen har mislykkedes på dette i de fleste organisationer. Og det er fordi mange af CIO'erne er teknisk fokuseret snarere end data- og procesfokuseret. Så jeg tror, ​​at du virkelig har brug for det, at du sandsynligvis har brug for en slags styregruppe i de større organisationer. Men dette skal virkelig ejes af virksomheden. Jeg vil argumentere for, at din virksomhed, din procesmodellering, din datamodellering, alle har brug for at høre hjemme i virksomheden, fordi det giver dig muligheden for at sikre, at IT, der er depotforvalteren for dataene og implementerer disse processer gennem det, de skaber, har du hammeren for at sikre dig, at den sker, hvis den faktisk ejes af virksomheden.

Eric Kavanagh: Ja, jeg tror, ​​jeg er enig med det. Men Jen, hvad er din tanke om det?

Jen Underwood: Så det er virkelig interessant. Det var det, jeg henviste til, da jeg sagde, at det at få folk til at pleje og være interaktiv, er sandsynligvis en af ​​de vigtigste ting. På et tidspunkt, jeg havde skrevet en hvidbog om, var det selvbetjenings-BI-styring, der ligner meget dette. Det er et spørgsmål om at få det, finde en måde at motivere folk på, forretningsværdien af ​​det, og få dem til at bry sig om det. Og når de ser eller finder ud af, om det er datakatalogiseringen eller hvilken vinkel det tager. Det reducerer måske forsendelsesomkostningerne, lægger noget, som nogen har stillet til ansvar for i organisationen, det er sådan, du kan få det til at pleje. Og ja, virksomheden absolut. Erhvervsemneeksperterne vil fremstille eller ødelægge det.

Eric Kavanagh: Det er svært. Jeg tror, ​​du altid vil have dette konsortium af interessenter fra hele organisationen. Selvfølgelig ønsker du ikke analyselammelse. Du vil ikke have bureaukrati af bureaukratiets skyld. Det, du ønsker, er, at organisationen skal have en handlingsplan og at disse ting skal dokumenteres. Du ved, jeg tror, ​​når du begynder at tale om forretningsprocessemodellering, det var varmt for 25 år siden, men det var for det meste løsrevet fra den aktuelle forretning. Jeg tror i det mindste i nogle brancher, du kan trække en masse af denne proces ud af den egentlige software, der kører tingene. Men jeg tror, ​​i disse dage er vi nødt til at finde en måde at forme balance mellem disse to verdener, ikke? Du vil have processmodeller, der er aktuelle og ajourførte og reflekterende for, hvad der faktisk sker. Så du ønsker ikke at have det bare være en separat øvelse, hvor den er, den sidder på en hylde et eller andet sted. Men det er, det bliver lidt udfordrende, ikke? Fordi ikke alle operationelle systemer er på linje med den slags eksekverbare kode. Men hvad synes du?

Ron Huizenga: Absolut. Og det er interessant, fordi en af ​​de ting, jeg ser på, er, at folk, du ved, er blevet et øjeblik tilfredsstillelsessamfund. Folk tænker, ”Åh, vi går bare ud og køber nogle værktøjer og får dette til at fungere for os.” Det er som om du ikke vil købe processmodning. Du køber ikke datatype. Det er hårdt arbejde. Du skal rulle ærmerne op, og du skal få det til at ske. Og mekanismen til at gøre det sker er modelleringen. Det er for kompliceret til ikke at have en visuel repræsentation af, ikke kun den aktuelle tilstand, som du arbejder på, men også være i stand til at designe, hvordan du forbedrer de forskellige forretningsprocesser. Du har brug for den visuelle ramme for at kunne forstå, hvilken indvirkning disse ændringer vil få.

Eric Kavanagh: Det er virkelig - jeg bare twitrer; Jeg tweeter dette lige nu - "Du vil ikke købe processmodning, du vil ikke købe datamodning." Jeg kan bare være helt enig med begge disse ting. Og Jen, jeg vil bringe dig ind til dine tanker. Og jeg kaster et andet spørgsmål oven på det. En af de deltagende spørger: hvad menes med procesdrevet virksomhed eller processmodning? Jen, kan du slags tale med det?

Jen Underwood: Jeg kan faktisk tale lidt bedre til det forrige spørgsmål. Når jeg tænker over, sandheden skal siges, er det den første, du ved, der køber værktøjer. Det var sådan en stor, stor kommentar, fordi det er så sandt. Men hvad jeg vil sige, det er meget bedre. Så jeg gennemgår mange løsninger, og jeg ser forskellige rum og teste dem. Hvad der bliver bedre, er at opdage data, mærke og i det mindste give dig en massiv løbende start og også gøre dette, når jeg siger mindre smertefuldt, det er næsten sjovt. Så forestil dig, at et datakatalog eller et MDM-projekt er sjovt. Det er, og du har folk i en organisation, der bruger disse data i, uanset om det er rapportering eller andre typer ting, og jeg tror, ​​at nogen på linjen havde sagt, hej at få folk der bryder sig om deres individuelle udviklingsplan. Ja, tag det endda op endnu et niveau. Det tager disse ting og siger, at vi nu har reduceret forkerte forsendelser med 30 procent, og det er, hvor mange penge der blev gemt. Det er bare at styre vores data bedre. Det er disse typer ting, og du lægger penge rundt om det, og du gør det sjovt. Eller du gør det interessant og relevant for det, de laver. Det er slags magi, tror jeg, der mangler i en masse af disse engagementer, som folk prøver at gøre dette i en organisation, og det er stoppet.

Eric Kavanagh: Ja, det er et godt punkt. Og, Ron, tilbage til din kommentar for et øjeblik siden omkring vigtigheden af ​​at have en visuel ramme, jeg tror, ​​det er helt sandt, fordi mange gange, hvis folk ikke kan se noget, er det virkelig svært at vikle dit hoved rundt om det betyder, og helt sikkert, når du begynder at tale om komplekse processer med indbyrdes afhængighed og kontrolpunkter og alle disse ting, skal du kortlægge det et eller andet sted på et tidspunkt, og ideelt set gør du det med software, der har funktionalitet indlejret i det til katalogisering, eksempel, hvilke transformationer der skete ved hjælp af forskellige linjer fra dette punkt til dette punkt. Eller hvad der er tilgængeligt på dette kontrolpunkt. Og jeg refererer slags til min historie i risikostyring der, hvor et kontrolpunkt er et hvilket som helst punkt i en proces eller en hvilken som helst mulighed eller individuel eller softwareapplikation, hvor du faktisk kan ændre noget, ikke? Det er, hvad de kalder et kontrolpunkt. Og for mig er det virkelig værdifuldt, at du får den visuelle ramme. Årsag så kan du se og slags gå igennem, og det tager bare tid. Det tager menneskelig hjerne tid at administrere disse ting og virkelig forstå det og derfor optimere det, ikke?

Ron Huizenga: Absolut. Og til at bruge en anden analogi, som jeg tror sætter det i perspektiv: Jeg er lidt af en luftfart, så vil jeg sige, hvis du prøver at tænke på dette på en parallel måde, så tænk på at bygge en 747 - eller en Airbus 380, så jeg vælger ikke den ene leverandør over den anden - tænk over, hvor svært det ville være at gøre det baseret på dokumenter, der kun er sammensat af tekst snarere end tegningerne og 3-D CAD-tegningerne og alt hvad der er der er faktisk samlet sammen.

Eric Kavanagh: Ja, det ville være uslebne. Og Jen må også tale.

Ron Huizenga: Forretningen er den samme, ikke?

Eric Kavanagh: Ja, nej det er rigtigt. Jen er nødt til at tale med et af dine varme områder, du kan lide at studere, hvilket er visualisering. Du skal være i stand til at visualisere noget for fuldt ud at forstå det, forekommer det mig.

Jen Underwood: Mange mennesker gør det, ja. Og selv bare en visualisering taler, hvad der er ordsprog, tusinder af ord eller lignende. Når de ser det, kan de tro det. Og de får det.

Eric Kavanagh: Jeg er enig. Og jeg elsker, Ron, på den måde du har taget det hele sammen. Jeg spørger bare mig selv igen, du har brug for en mester i organisationen, og som vil være derude, tjene som forbindelsesled til forskellige grupper. Datatilsynsførere er noget, vi ofte taler om - jeg synes, det er i den, en virkelig vigtig rolle, og jeg føler, at det er en rolle, der har fået meget mere opmærksomhed i de sidste tre eller fire år, da vi slags har værdsat værdien af ​​data regeringsførelse, ikke? Denne datatillægter er en person, der kan tale med virksomheden, men også forstå systemerne, forstå datalivets cyklus, det hele billede. Og jeg gætte på, at den person kan og burde sandsynligvis være under CEO's regel, ikke?

Ron Huizenga: Ja, og du har brug for et multifunktionelt team, ikke? Så du har brug for folk, der består af et team, der gør det eller det, der kommer fra de forskellige områder, der repræsenterer den tekniske side, kender du, de forskellige forretningsområder. Og du ved, afhængigt af hvilken type organisation du er, hvis du har et projektstyringskontor, og mange af de initiativer, du gør, er drevet af en PMO, vil du sikre dig, at du har PMO engagement samt bare for at holde enhver form for harmoni og synkronisere den måde, de arbejder på tingene på.

Eric Kavanagh: Yup, og du ved, en sidste ting, jeg lægger denne sidste dias, styringsrammer. Vi spurgte en deltager, mangler der ikke data fra det dias? Er det impliceret data i diaset, eller hvad du synes om kommentaren om data, der mangler fra diaset?

Jen Underwood: Nej, og dette er kun en generisk regeringsramme. I det væsentlige kommer dette fra BI-rummet til selvbetjening, så data er implicit i en masse af dette. Det kom lige fra min vinkel og mine perspektiver og ikke så fokuseret på datasiden i at sammensætte dette. Men data ville bestemt være, når du tænker på alle disse stykker, ville der være data. Uanset om det er grundlaget for data, ansvarlighed ved hjælp af data gennem hele processen og gennem hele rammen.

Eric Kavanagh: Ja, nej, det giver fuld mening. Og jeg antager, at jeg bare kaster et sidste spørgsmål til dig, når vi samles her, Ron. Hvis jeg tænker på, hvor meget mere information og hvor meget mere data vi bruger i disse dage, og hvor vidtgående organisationer er, hvad er vigtigheden af ​​økosystemer i disse dage mellem kanalpartnere, og hvordan vi kan dele information på tværs af disse partnerskaber og i en lidt hurtig reference af blockchain til dette - for ikke at få tingene for komplicerede. Hovedpunkterne er, at vi befinder os i en stadig mere datadrevet sammenkoblet verden, både fra et forretningsmæssigt perspektiv og bare fra vores daglige liv. Og for mig vil det bare hæve indsatsen endnu mere for at organisationer virkelig ser hårdt på, hvad du foreslår her, hvilket er deres modenhed, hvor de står, og hvor langt de er med hensyn til kurven og virkelig være ærlig med sig selv om det, ikke? For hvis du ikke ved bedre, kan du ikke gøre det bedre, og hvis du ikke reflekterer over tingene, vil du ikke vide bedre, ikke?

Ron Huizenga: Præcis. Og jeg antager, at en sætning, som jeg ville bruge, er, at du sandsynligvis ikke er så god, som du tror, ​​du er. Det lyder måske lidt hårdt, men folk kan være ganske optimistiske med hensyn til dette, men hvis man ser virkelig hårdt på det og en rigtig god, kritisk selvvurdering, tror jeg, at enhver organisation vil finde, ved du, betydelige huller, som de nødt til at adressere.

Eric Kavanagh: Jeg må være enig. Og en af ​​vores kolleger derude kommenterede vigtigheden af ​​metadata, dataene om data. Der er ingen tvivl om det. Metadata er limet, der holder alle disse systemer sammen, og vi har stadig aldrig rigtig fuldstændigt knækket den kode og med god grund, ærligt talt, fordi metadata ændres. Det er anderledes fra system til system. Du ved, jo mere du prøver at normalisere dine data, jo mindre nøjagtige tror jeg, de bliver.

Så vi er slags i denne underlige verden lige nu, og måske antager jeg, at jeg vil udvide mig til et andet spørgsmål til dig, Jen, fordi du nævnte datakataloger et par gange. Jeg elsker virkelig denne nye bevægelse af datakatalogteknologi, der automatisk scanner dine informationssystemer, konstaterer metadatasøjlenavn osv. Og så videre, og hjælper dig med gradvis at opbygge den strategiske visning af dine data og dine metadata i dine systemer. For mig manuelt at gøre det, er det bare, der er bare for meget. Og du kommer aldrig til at komme til toppen af ​​denne bakke, før snøskredet kommer ned på dig, og du ved, du har enten normaliseret til det punkt, hvor du spiller græsen, eller du er ikke normaliseret nok, til hvor du virkelig don ved ikke hvad der foregår. For mig, ved hjælp af maskinerne, den maskinlæring, som vi fortsat taler om, det vil være nøglen i fremtiden til at hjælpe os i det mindste med at få et reb omkring nok af dataene til at have en god forståelse af, hvad der er derude, højre Jen ?

Jen Underwood: Ja, det gør jeg. Jeg elsker disse teknologier. De er meget, meget seje. Og så tænker du på det, det giver dig den massive løbende start. Og så kan du skare. Du har dine dataleverandører, ved du, trækker videre, uanset om de tilføjer deres egen dokumentation, eller dette er perspektivet derude, det er ændringerne. Du ved, og siger, at dette er de certificerede datakilder, der skal bruges til rapportering. Folk kan søge og finde de rigtige data. Det er virkelig virkelig rart. Og hjælper også til - når jeg tænker på forretning og hvordan kryptisk virksomhedsdatastyring var, da jeg var, da jeg lavede DBA-ting - brugte vi udvidede egenskaber og SQL Server og scannede med værktøjer som IDERA'er, ikke? For at prøve at oprette et datakatalog. Men i DBA eller dataarkitekter 'version af, ved du, uanset hvilken værdi det var, eller hvilken søjle eller felt var, det stemte bestemt ikke overens med, hvad virksomheden var. Så nu at have virksomheden i stand til at være virkelig let, ved du, gå ind og finde og styre og få alt til at være målbaseret, det er virkelig, jeg ville ønske, vi ville have haft dette for længe siden, helt ærligt. Så det bliver meget bedre.

Eric Kavanagh: Det er sjovt. Vi har fået endnu en sidste kommentar fra et publikummedlem, der siger, at blockchain måske vil være den mest værdifulde til at sætte et stempel af godkendelse til metadata. Det er et godt punkt, og du ved, blockchain er virkelig en fantastisk teknologi. Jeg betragter det som et slags sammenhængende fundament til at forbinde en masse af prikkerne mellem systemer og applikationer osv. Og du ved, vi er i de tidlige faser af blockchain-udvikling, men vi ser nu, at det naturligvis er slukket fra dette punkt, hvor det oprindeligt kom frem, og nu har du fået IBM til at arbejde meget hårdt på blockchain-teknologier. SAP har købt alt det her. Og det er virkelig, det giver en mulighed for et dybere fundament og rammer for at forbinde alle disse systemer og alle disse prikker.

Så folk har brændt godt over en time. Tak for dit ophold sammen med os i dag, men vi vil altid gerne svare på dine spørgsmål og komme til alle kommentarer. Vi arkiverer alle disse webcasts til senere visning, så hopp online til insideanalysis.com, hvor du kan finde linket til det. Det skal være op inden for et par timer, typisk efter begivenheden. Og vi henter dig næste gang. Vi har et par flere begivenheder, der kommer op i næste uge - masser af ting foregår. Men det vil give dig farvel, folkens. Tak for din tid. Pas på. Buh farvel.